Ajout analyse de données par réseau neuronal

Dockerfile

@@ -17,5 +17,5 @@ COPY . /src
 EXPOSE 5000
 
 # lancer l'application Python
-CMD python3 app.py
+CMD ["python", "app.py"]
 

README.md

@@ -1,14 +1,39 @@
 # FreqStats
 
-## Construction
+## Adaptation de la stratégie
 
-docker build -t flask-web-app .
+   ### Génération du dataframe en fichier 
+    
+    Ajouter à la fin de populate_buy_trend :  
+    
+            if self.dp.runmode.value in ('backtest'):
+            dataframe.to_feather(f"user_data/data/binance/{metadata['pair'].replace('/', '_')}_df.feather")
 
-## Lancement
+    ### Lancer un backtest avec export signals
+    
+        freqtrade backtesting --strategy Zeus_8_3_2_B_4_2 --config config.json --timerange 20250423-20250426 --timeframe 5m --breakdown week --enable-protections --export signals --pairs BTC/USDT 
 
-docker run -it -p 5000:5000 -v $(pwd)/src/:/src -v /home/jerome/Perso/freqtradeDocker/user_data/:/mnt/external flask-web-app bash
+# Docker
+   ## Construction
+
+        docker build -t flask-web-app .
+
+   ## Lancement
+
+    docker run -it -p 5000:5000 -v $(pwd)/src/:/src -v /home/jerome/Perso/freqtradeDocker/user_data/:/mnt/external flask-web-app bash
+
+    puis : python3 app.py
+
+# Application Web
+
+    Url : http://127.0.0.1:5000/
+    
+    Choisir un backtest dans la liste
+    
+    Choisir le fichier généré par le backtest par la stratégie
+    
+    Cliquer sur les boutons 
 
-puis : python3 app.py
 
 ## librairies
 

requirements.txt

@@ -9,4 +9,9 @@ Werkzeug==2.2.3
 joblib==1.4.2
 pyarrow
 pandas-ta
-ydata-profiling
+ydata-profiling
+tensorflow
+keras
+scikit-learn
+pydot
+graphviz

src/app.py

@@ -8,6 +8,13 @@ import joblib
 from io import TextIOWrapper
 from ydata_profiling import ProfileReport
 
+# model
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler
+from tensorflow.keras.models import Sequential
+from tensorflow.keras.layers import Dense
+from tensorflow.keras.utils import plot_model
+
 app = Flask(__name__)
 FREQTRADE_USERDATA_DIR = '/mnt/external'
 
@@ -121,6 +128,43 @@ def read_feather(filename):
         # dataframe['min200'] = talib.MIN(dataframe['close'], timeperiod=200)
         # dataframe['max200'] = talib.MAX(dataframe['close'], timeperiod=200)
 
+        # Choisir les colonnes techniques comme variables d'entrée (X)
+        feature_cols = ['rsi', 'sma20', 'sma5_1h', 'volume']
+        df = dataframe
+        # Variable cible
+        df['target'] = df['futur_price_1h']
+
+        # Supprimer les lignes avec des NaN
+        df.dropna(subset=feature_cols + ['target'], inplace=True)
+
+        X = df[feature_cols].values
+        y = df['target'].values
+
+        # Normalisation
+        scaler = StandardScaler()
+        X = scaler.fit_transform(X)
+
+        # Split
+        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
+
+        # Modèle
+        model = Sequential([
+            Dense(64, input_dim=X.shape[1], activation='relu'),
+            Dense(32, activation='relu'),
+            Dense(1)  # Prédiction continue
+        ])
+
+        model.compile(optimizer='adam', loss='mse', metrics=['mae'])
+
+        # Entraînement
+        model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test))
+
+        loss, mae = model.evaluate(X_test, y_test)
+        print(f"Erreur moyenne absolue : {mae:.4f}")
+
+        model.summary()
+
+        plot_model(model, show_shapes=True, show_layer_names=True, to_file=FREQTRADE_USERDATA_DIR + "/reports/model.png")
         return dataframe.to_json(orient="records")
     except Exception as e:
         print(e)
@@ -185,6 +229,24 @@ def get_chart_data():
 
     return df.to_json(orient="records") #jsonify(chart_data)
 
+@app.route('/model')
+def show_model():
+    # Créer un exemple de modèle si non encore généré
+    model_path = FREQTRADE_USERDATA_DIR + "/reports/model.png"
+    if not os.path.exists(model_path):
+        model = Sequential([
+            Dense(64, input_shape=(6,), activation='relu'),
+            Dense(32, activation='relu'),
+            Dense(1)
+        ])
+        plot_model(model, to_file=model_path, show_shapes=True, show_layer_names=True)
+    return render_template('model.html', model_image=model_path)
+
+# Route pour servir les fichiers statiques (optionnelle si bien configuré)
+@app.route('/static/<path:filename>')
+def static_files(filename):
+    return send_from_directory('static', filename)
+
 
 if __name__ == '__main__':
     app.run(debug=True, host='0.0.0.0', port=5000)

src/static/js/functions.js

@@ -329,6 +329,30 @@ function renderChart(data, filename, create_columns) {
        }
     )
 
+    // Achat
+    series.push({
+      name: 'Buy',
+      type: 'scatter',
+      symbolSize: 10,
+      itemStyle: {
+        color: '#00aa00'
+      },
+//      label: {
+//        show: true,
+//        position: 'top', // ou 'right', 'inside', etc.
+//        formatter: function (param) {
+//          return param.value[2];  // ou par ex. param.value[1] pour afficher le prix
+//        },
+//        fontSize: 12,
+//        color: '#000'
+//      },
+        data: data
+          .filter(d => d.enter_long === 1)
+          .map(d => {
+            const date = new Date(d.date).toLocaleString('fr-FR', options);
+            return [date, d.close, d.enter_tag];
+          })
+    })
     // Volume
     series.push({
       name: 'Volume',
@@ -349,6 +373,7 @@ function renderChart(data, filename, create_columns) {
     for (var key in cols) {
         var value = cols[key];
         element=document.getElementById(value)
+
         if (element) {
             if (element.checked) {
 
@@ -489,7 +514,14 @@ function renderChart(data, filename, create_columns) {
             li.classList.add('is-1d');
         }
     });
-
+    document.querySelectorAll('.indicatorsReport li').forEach(li => {
+        if (li.textContent.trim().endsWith('_1h')) {
+            li.classList.add('is-1h');
+        }
+        if (li.textContent.trim().endsWith('_1d')) {
+            li.classList.add('is-1d');
+        }
+    });
 }
 
 function loadFeather(filename) {

src/templates/index.html

@@ -52,6 +52,8 @@
 
     </dialog>
 
+    <a href="/model">Voir le modèle</a>
+
 </div>
 <div id='content' class="content">
     <div id="json-tabs">

src/templates/model.html

@@ -0,0 +1,11 @@
+<!DOCTYPE html>
+<html>
+<head>
+  <title>Modèle de réseau</title>
+</head>
+<body>
+  <h2>Structure du modèle</h2>
+  <img src="/{{ model_image }}" alt="Modèle Keras" style="max-width:100%;">
+  <br><a href="/">Retour</a>
+</body>
+</html>